中文命题库(the Chinese Proposition Bank)是在中文树库(the Chinese Treebank)上标注语义角色的语料库。语义角色是语言学研究的重要内容之一,标注了语义角色的命题库不但提供了谓语动词(predicate verb)的论元结构(argument structur...中文命题库(the Chinese Proposition Bank)是在中文树库(the Chinese Treebank)上标注语义角色的语料库。语义角色是语言学研究的重要内容之一,标注了语义角色的命题库不但提供了谓语动词(predicate verb)的论元结构(argument structure),也提供了可谓词(predicative verb)语义角色的句法实现方式,大规模的"词汇语义-句法结构"语料为相关语言学研究提供了大量的真实数据。目前语义角色是以基于特定谓语动词(predicate-specific)的方式进行定义并使用统一的标记进行标注,这个标注方式导致了语义角色标记意义在不同的动词论元结构中的不一致问题,导致在语义上我们无法对动词的论元结构的句法实现做更深入的理解和解释。为了改进这个问题,本文定义了一套全局性语义角色标记并标注到命题库中。结果显示,标注了全局性语义角色的中文命题库解决了语义角色不一致的问题,丰富了动词论元结构模式,并且使得我们可以更好的从语义上理解动词论元的句法表现。本文的工作不是对之前标注工作的否定,而是增加一层标注以形成完整的语义资源,提供了关于论元的语义角色和句法实现之关系的大规模真实数据,使得我们可以更加全面深入的认识动词论元结构的问题。展开更多
针对红外图像与可见光图像融合中细节丢失严重,红外图像的特征信息未能突出显示以及源图像的语义信息被忽视的问题,提出一种基于二次图像分解的红外图像与可见光图像融合网络(Secondary Image Decomposition For Infrared And Visible I...针对红外图像与可见光图像融合中细节丢失严重,红外图像的特征信息未能突出显示以及源图像的语义信息被忽视的问题,提出一种基于二次图像分解的红外图像与可见光图像融合网络(Secondary Image Decomposition For Infrared And Visible Image Fusion,SIDFuse)。利用编码器对源图像进行二次分解以提取不同尺度的特征信息,然后利用双元素注意力为不同尺度的特征信息分配权重、引入全局语义支路,再采用像素相加法作为融合策略,最后通过解码器重建融合图像。实验选择FLIR数据集用于训练,采用TNO和RoadScene两个数据集进行测试,并选取八种图像融合客观评价参数进行实验对比分析。由TNO数据集的图像融合实验表明,在信息熵、标准差、空间频率、视觉保真度、平均梯度、差异相关系数、多层级结构相似性、梯度融合性能评价指标上,SIDFuse比基于卷积网络中经典融合算法DenseFuse分别平均提高12.2%,9.0%,90.2%,13.9%,85.1%,16.8%,6.7%,30.7%,比最新的融合网络LRRNet分别平均提高2.5%,5.6%,31.5%,5.4%,25.2%,17.9%,7.5%,20.7%。可见本文所提算法融合的图像对比度较高,可以同时更有效保留可见光图像的细节纹理和红外图像的特征信息,在同类方法中占有明显优势。展开更多
文本分类是自然语言处理中一项基本且重要的任务。基于深度学习的文本分类方法大多只针对单一的模型结构进行深入研究,这种单一的结构缺乏同时捕获并利用全局语义特征与局部语义特征的能力,且网络的加深会损失更多的语义信息。对此,提...文本分类是自然语言处理中一项基本且重要的任务。基于深度学习的文本分类方法大多只针对单一的模型结构进行深入研究,这种单一的结构缺乏同时捕获并利用全局语义特征与局部语义特征的能力,且网络的加深会损失更多的语义信息。对此,提出了一种融合多神经网络的文本分类模型FMNN(A Text Classification Model Fused with Multiple Neural Network),FMNN在最大限度减小网络深度的同时,融合了BERT,RNN,CNN和Attention等神经网络模型的特性。用BERT作为嵌入层获得文本的矩阵表示,用BiLSTM和Attention联合提取文本的全局语义特征,用CNN提取文本多个粒度下的局部语义特征,将全局语义特征和局部语义特征分别作用于softmax分类器,最后采用算术平均的方式对结果进行融合。在3个公开数据集和1个司法数据集上的实验结果表明,FMNN模型实现了更高的文本分类准确率,其中在司法数据集上的准确率达到了90.31%,证明了该模型具有较好的实用价值。展开更多
文摘中文命题库(the Chinese Proposition Bank)是在中文树库(the Chinese Treebank)上标注语义角色的语料库。语义角色是语言学研究的重要内容之一,标注了语义角色的命题库不但提供了谓语动词(predicate verb)的论元结构(argument structure),也提供了可谓词(predicative verb)语义角色的句法实现方式,大规模的"词汇语义-句法结构"语料为相关语言学研究提供了大量的真实数据。目前语义角色是以基于特定谓语动词(predicate-specific)的方式进行定义并使用统一的标记进行标注,这个标注方式导致了语义角色标记意义在不同的动词论元结构中的不一致问题,导致在语义上我们无法对动词的论元结构的句法实现做更深入的理解和解释。为了改进这个问题,本文定义了一套全局性语义角色标记并标注到命题库中。结果显示,标注了全局性语义角色的中文命题库解决了语义角色不一致的问题,丰富了动词论元结构模式,并且使得我们可以更好的从语义上理解动词论元的句法表现。本文的工作不是对之前标注工作的否定,而是增加一层标注以形成完整的语义资源,提供了关于论元的语义角色和句法实现之关系的大规模真实数据,使得我们可以更加全面深入的认识动词论元结构的问题。
文摘针对红外图像与可见光图像融合中细节丢失严重,红外图像的特征信息未能突出显示以及源图像的语义信息被忽视的问题,提出一种基于二次图像分解的红外图像与可见光图像融合网络(Secondary Image Decomposition For Infrared And Visible Image Fusion,SIDFuse)。利用编码器对源图像进行二次分解以提取不同尺度的特征信息,然后利用双元素注意力为不同尺度的特征信息分配权重、引入全局语义支路,再采用像素相加法作为融合策略,最后通过解码器重建融合图像。实验选择FLIR数据集用于训练,采用TNO和RoadScene两个数据集进行测试,并选取八种图像融合客观评价参数进行实验对比分析。由TNO数据集的图像融合实验表明,在信息熵、标准差、空间频率、视觉保真度、平均梯度、差异相关系数、多层级结构相似性、梯度融合性能评价指标上,SIDFuse比基于卷积网络中经典融合算法DenseFuse分别平均提高12.2%,9.0%,90.2%,13.9%,85.1%,16.8%,6.7%,30.7%,比最新的融合网络LRRNet分别平均提高2.5%,5.6%,31.5%,5.4%,25.2%,17.9%,7.5%,20.7%。可见本文所提算法融合的图像对比度较高,可以同时更有效保留可见光图像的细节纹理和红外图像的特征信息,在同类方法中占有明显优势。
文摘文本分类是自然语言处理中一项基本且重要的任务。基于深度学习的文本分类方法大多只针对单一的模型结构进行深入研究,这种单一的结构缺乏同时捕获并利用全局语义特征与局部语义特征的能力,且网络的加深会损失更多的语义信息。对此,提出了一种融合多神经网络的文本分类模型FMNN(A Text Classification Model Fused with Multiple Neural Network),FMNN在最大限度减小网络深度的同时,融合了BERT,RNN,CNN和Attention等神经网络模型的特性。用BERT作为嵌入层获得文本的矩阵表示,用BiLSTM和Attention联合提取文本的全局语义特征,用CNN提取文本多个粒度下的局部语义特征,将全局语义特征和局部语义特征分别作用于softmax分类器,最后采用算术平均的方式对结果进行融合。在3个公开数据集和1个司法数据集上的实验结果表明,FMNN模型实现了更高的文本分类准确率,其中在司法数据集上的准确率达到了90.31%,证明了该模型具有较好的实用价值。